專利名稱：一種基于復(fù)合q因子基算法的軸承故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種軸承故障診斷方法，特別涉及一種基于復(fù)合Q因子基算法的軸承故障診斷方法。
背景技術(shù)：
軸承是旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部件，對其運轉(zhuǎn)狀態(tài)的檢測和故障診斷具有很重要的意義。軸承的故障振動信號是一類典型的非平穩(wěn)信號，較平穩(wěn)信號而言，其分布參數(shù)或者分布規(guī)律隨時間發(fā)生變化，工程實際中所接觸的信號往往也是非平穩(wěn)信號，所以此類信號的研究對于工程應(yīng)用具有極其重要的意義。在傳統(tǒng)的對信號進(jìn)行分析的方法中，基本上都是基于頻率不同對信號進(jìn)行分析，例如經(jīng)典的小波變換，Hilbert-Huang變換等，然而對于復(fù)雜的非平穩(wěn)信號而言，其是由持續(xù)振蕩成分(高共振成分)和非持續(xù)振蕩的瞬態(tài)成分(低共振成分)混合而成的。圖1說明了信號共振的概念(其中，Q因子定義為中心頻率f。和它帶寬的比值，即Q=f；/BW)，脈沖I (高頻信號)和脈沖3 (低頻信號)只包含一個周期的正弦波，我們將它們定義為低共振信號(Q因子值為1. 15)，因為它們沒有表現(xiàn)持續(xù)振蕩的狀態(tài)，脈沖2 (高頻信號)和脈沖4(低頻信號)包含五個周期的正弦波(Q因子值為4. 6)，我們將它們定義為高共振信號，因為它們表現(xiàn)持續(xù)振蕩的狀態(tài)。即高共振信號既可以是高頻信號，也可以是低頻信號；低共振成分既可以是低頻信號，也可以是高頻信號，二者的區(qū)別不在于頻率的不同，而在于它們的持續(xù)振蕩程度的不同。軸承故障振動信號結(jié)構(gòu)成分復(fù)雜，且具有大量噪聲和瞬態(tài)特征，屬于上述的非平穩(wěn)信號，其高共振成分和低共振成分存在頻率重疊，利用基于頻率不同的算法往往難以實現(xiàn)不同結(jié)構(gòu)成分分離，進(jìn)而提取故障特征。

發(fā)明內(nèi)容
為了解決傳統(tǒng)的基于頻率的信號分析方法在軸承故障診斷中的上述技術(shù)問題，本發(fā)明提供了一種基于復(fù)合Q因子基的軸承故障診斷方法。本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括利用Matlab編程構(gòu)造合適的復(fù)合Q因子基、對軸承故障非平穩(wěn)信號進(jìn)行基于復(fù)合Q因子基的稀疏分解、提取故障沖擊分量信號、解調(diào)得到故障特征等步驟。其中分解算法包括以下步驟(I)根據(jù)待分析信號的結(jié)構(gòu)特點自適應(yīng)地構(gòu)造復(fù)合Q因子基；(2)將原始信號x(t)在復(fù)合Q因子基上進(jìn)行分解；(3)利用相應(yīng)的Q因子基提取出故障沖擊信號成分。(4)對提取出的故障沖擊信號成分進(jìn)行解調(diào)分析得到故障特征。軸承振動信號主要由軸承的旋轉(zhuǎn)運動引起，故障軸承振動信號中還會出現(xiàn)沖擊和瞬態(tài)振動特征，其由高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)和低共振成分(故障沖擊成分)組成，針對此特點，選擇由高Q因子基及低Q因子基組成復(fù)合Q因子基，利用高Q因子基匹配出其高共振成分，利用低Q因子基匹配出其低共振成分。有效表示高共振成分和低共振成分需要構(gòu)造兩組合適的基，高共振成分的有效表示需要一組全是包含高Q因子的基函數(shù)，這樣的基可以通過對單個高Q因子的脈沖進(jìn)行平移和時間尺度變換得到，在這組基中，所有的基函數(shù)的Q因子都相同，類似地，低共振成分的有效表示需要一組全是包含低Q因子的基函數(shù)。即為了對軸承故障非平穩(wěn)信號進(jìn)行有效的分析，需要構(gòu)造一組能夠有效匹配其持續(xù)振蕩成分(高共振成分)的高Q因子基和一組能夠匹配其非持續(xù)振蕩的瞬態(tài)成分(低共振成分)的低Q因子基。本發(fā)明中我們利用復(fù)合Q因子的小波變換產(chǎn)生相應(yīng)的高Q因子基及低Q因子基。利用復(fù)合Q因子的小波變換設(shè)計構(gòu)造相應(yīng)的高Q因子基及低Q因子基。復(fù)合Q因子的小波變換利用一系列兩通道濾波庫，一個高共振成分濾波庫，一個低共振成分濾波庫，通過Matlab編程實現(xiàn)濾波庫的構(gòu)造；對非平穩(wěn)信號進(jìn)行處理，其中Q= (2-β)/β, Γ=β/(1-α)，α , β分別是低通濾波庫和高通濾波庫的尺度參數(shù)，r是濾波庫的冗余度系數(shù)；選取調(diào)整濾波器的尺度參數(shù)α，β，其中α取值范圍為0_1，β取值范圍為0_1，使得匹配提取出的低共振沖擊成分的峭度指標(biāo)和脈沖指標(biāo)最大，從而設(shè)計構(gòu)造出相應(yīng)的高Q因子基及低Q因子基，匹配提取出非平穩(wěn)信號的高共振成分和低共振成分。本發(fā)明的技術(shù)效果在于將軸承故障非平穩(wěn)信號表示成高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)和低共振成分(故障沖擊成分)的混合。高共振成分的Q因子高，低共振成分的Q因子低，進(jìn)而依據(jù)軸承故障信號的不同結(jié)構(gòu)成分的振蕩程度自適應(yīng)地構(gòu)造復(fù)合Q因子基(高Q因子基及低Q因子基)對故障信號進(jìn)行處理，用高Q因子基匹配出其高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)，利用低Q因子基匹配出其低共振成分(故障沖擊成分)，繼而對低共振成分(沖擊信號成分)解調(diào)提取軸承故障非平穩(wěn)信號的故障信息進(jìn)行故障診斷。


下面結(jié)合附圖和具體實施方式
對本發(fā)明作進(jìn)一步說明。
圖1是本發(fā)明的高共振信號及低共振信號的詮釋圖。圖2是本發(fā)明構(gòu)造的高低Q因子基。圖3是本發(fā)明的基于復(fù)合Q因子基算法的軸承故障診斷方法整體流程圖。圖4是本發(fā)明中模擬的存在外圈點蝕故障的軸承振動信號的時域波形及頻譜圖。圖5是本發(fā)明中對外圈點蝕故障提取出沖擊成分的時域圖及頻譜圖。圖6是本發(fā)明中對外圈點蝕故障沖擊分量進(jìn)行解調(diào)處理得到的解調(diào)譜。
具體實施例方式圖1是本發(fā)明的高共振信號及低共振信號的詮釋圖。說明了信號共振的概念，脈沖I (高頻信號)和脈沖3 (低頻信號)只包含一個周期的正弦波，我們將它們定義為低共振信號(Q因子值為1. 15)，因為它們沒有表現(xiàn)持續(xù)振蕩的狀態(tài)，脈沖2 (高頻信號)和脈沖4(低頻信號)包含五個周期的正弦波(Q因子值為4. 6)，我們將它們定義為高共振信號，因為它們表現(xiàn)持續(xù)振蕩的狀態(tài)。
利用復(fù)合Q因子的小波變換產(chǎn)生相應(yīng)的高Q因子基及低Q因子基。復(fù)合Q因子的小波變換利用一系列兩通道濾波庫(一個高共振成分濾波庫，一個低共振成分濾波庫)對非平穩(wěn)信號進(jìn)行處理，根據(jù)所分析信號的特征，通過選取調(diào)整濾波器的尺度參數(shù)α，β，使得匹配提取出的低共振沖擊成分的峭度指標(biāo)和脈沖指標(biāo)最大(峭度指標(biāo)和脈沖指標(biāo)，均能反映信號中沖擊能量的大小。其特征值越大，說明故障信息越突出，提取的沖擊性信號越明顯)，從而設(shè)計構(gòu)造出相應(yīng)的高Q因子基及低Q因子基。
Γ=β / (l-α )Q= (2- β ) / β在本發(fā)明所處理的軸承外圈故障信號中，當(dāng)選取Ct1=O. 833, β ρΟ. 5 ((^=3, 1^=3)和Ci1=O. 667，β !=1 (Q2=l，r2=3)時，提取得到的低共振沖擊成分的峭度指標(biāo)和脈沖指標(biāo)最大(分別為38. 6944和45. 5503，原始信號的峭度指標(biāo)和脈沖指標(biāo)僅分別為11. 3701和10. 9185)，而α，β選取其它值時，提取的低共振成分的峭度指標(biāo)和脈沖指標(biāo)都分別比38. 6944和45. 5503小，從而設(shè)計構(gòu)造相應(yīng)地高Q因子基(Q=3，r=3)和低Q因子基(Q=l, r=3)對待分析信號進(jìn)行稀疏分解，匹配提取出軸承外圈故障非平穩(wěn)信號的高共振成分和低共振成分。圖2是本發(fā)明構(gòu)造的高低Q因子基(高Q因子基值為3，低Q因子基值為I)，從圖2可以看出，高Q因子基及低Q因子基的持續(xù)振蕩程度不一樣，從而可以利用復(fù)合Q因子的小波變換，構(gòu)造相應(yīng)的高Q因子基及低Q因子基，自適應(yīng)的提取出信號中的低共振成分(故障沖擊成分)。圖3為本發(fā)明的基于復(fù)合Q因子基算法的軸承故障診斷方法整體流程圖。下面結(jié)合流程圖對基于復(fù)合Q因子基算法的軸承故障診斷方法的原理進(jìn)行詳細(xì)說明。(I)利用加速度振動傳感器對齒輪箱軸承進(jìn)行測量，獲得振動加速度信號作為待分析信號X (t)，采樣長度定為2的整數(shù)次方，根據(jù)軸承轉(zhuǎn)速設(shè)定采樣頻率；(2)軸承振動信號主要由軸承的旋轉(zhuǎn)運動引起，故障軸承振動信號中還會出現(xiàn)沖擊和瞬態(tài)振動特征，其由高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)和低共振成分(故障沖擊成分)組成，針對信號的結(jié)構(gòu)特點，自適應(yīng)的選擇匹配提取高共振成分的高Q因子基及匹配提取低共振成分的低Q因子基。(3)利用高Q因子基匹配提取信號的高共振成分，低Q因子基匹配提取信號的低共振成分(故障沖擊成分)，并將故障沖擊成分進(jìn)行解調(diào)處理即可提取出故障特征。圖4是軸承試驗臺的一個外圈點蝕故障的軸承振動信號X (t)時域波形及頻譜圖，其中電動機(jī)轉(zhuǎn)速n=1496r/min,軸承的大經(jīng)D=80mm,小徑d=35mm,滾動體個數(shù)Z=8,接觸角a=0度。將上述參數(shù)代入相應(yīng)的故障特征頻率計算公式，計算出軸承外圈故障特征頻率為76. 88Hz。采樣頻率為15360Hz，采樣點數(shù)為8192點?？梢钥闯?，在噪聲影響下，周期性沖擊特征并不明顯。采用基于復(fù)合Q因子基的信號稀疏分解算法分解信號。圖5為低Q因子基匹配提取出的沖擊成分波形及頻譜圖。圖6為沖擊分量解調(diào)譜，可以看出，故障特征頻率76. 88Hz (外圈故障特征頻率)及諧頻清晰可見，從而實現(xiàn)故障特征提取。
權(quán)利要求
1.一種基于復(fù)合Q因子基算法的軸承故障診斷方法，包括以下步驟(1)采集軸承故障振動信號作為待分析信號；(2)對待分析信號進(jìn)行復(fù)合Q因子基算法的稀疏分解，得到高共振成分即軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲和低共振成分即故障沖擊成分；(3)對低共振成分進(jìn)行解調(diào)處理得到故障特征。
2.根據(jù)權(quán)利要求1所述的復(fù)合Q因子基算法的軸承故障診斷方法，所述步驟(2)中復(fù)合Q因子基由高Q因子基及低Q因子基組成。利用復(fù)合Q因子的小波變換設(shè)計構(gòu)造相應(yīng)的高Q因子基及低Q因子基。復(fù)合Q因子的小波變換利用一系列兩通道濾波庫，一個高共振成分濾波庫，一個低共振成分濾波庫， 通過Matlab編程實現(xiàn)濾波庫的構(gòu)造；對非平穩(wěn)信號進(jìn)行處理，其中Q= (2-β)/β, Γ=β/ (1-α )，α，β分別是低通濾波庫和高通濾波庫的尺度參數(shù)，r是濾波庫的冗余度系數(shù)；選取調(diào)整濾波器的尺度參數(shù)α，β,其中α取值范圍為0-1, β取值范圍為0-1,使得匹配提取出的低共振沖擊成分的峭度指標(biāo)和脈沖指標(biāo)最大，從而設(shè)計構(gòu)造出相應(yīng)的高Q因子基及低Q因子基。
全文摘要
本發(fā)明公開了一種基于復(fù)合Q因子基算法的軸承故障診斷方法。本發(fā)明將軸承故障非平穩(wěn)信號表示成高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)和低共振成分(故障沖擊成分)的混合。高共振成分的Q因子高，低共振成分的Q因子低，進(jìn)而依據(jù)軸承故障信號的不同結(jié)構(gòu)成分的振蕩程度自適應(yīng)地構(gòu)造復(fù)合Q因子基(高Q因子基及低Q因子基)對故障信號進(jìn)行處理，用高Q因子基匹配出其高共振成分(軸承正常部分旋轉(zhuǎn)引起的隨機(jī)振動及強(qiáng)噪聲)，利用低Q因子基匹配出其低共振成分(故障沖擊成分)，繼而對低共振成分(沖擊信號成分)解調(diào)提取軸承故障非平穩(wěn)信號的故障信息進(jìn)行故障診斷。
文檔編號G01M13/04GK102998119SQ20121051507
公開日2013年3月27日 申請日期2012年12月4日 優(yōu)先權(quán)日2012年12月4日
發(fā)明者崔玲麗, 莫代一, 鄔娜, 王婧, 吳春光 申請人:北京工業(yè)大學(xué)